ORIGINAL_ARTICLE
تشخیص گروه های اجتماعی با استفاده از ماشین بردار پشتیبان در ویدئو
تشخیص گروههای اجتماعی یکی از مسائل مهم و پیچیدهای است که در چند سال اخیر مورد توجه قرار گرفته است. تشخیص گروههای اجتماعی و همچنین نحوه ارتباط با اعضای گروههای اجتماعی از جمله مسائلی است که رباتهای انساننما در آینده نزدیک به آن نیاز دارند. پایگاه دادهها حاوی اطلاعات مسیر افراد و همچنین شماره افراد میباشند. هدف، یافتن گروههای اجتماعی با حداقل دو نفر و یا تشخیص انفرادی بودن حرکت افراد است. در روش پیشنهادی برای تشخیص گروههای اجتماعی از ویژگیهای فاصله افراد، شباهت مسیر طی شده و شباهت دو دنباله حرکت بین هر دو نفر استفاده شده است. استخراج این ویژگیها نسبت به ویژگیهای بکار رفته تاکنون نیاز به زمان کمتری دارد. علاوه بر دقت و صحت، کارایی روش پیشنهادی از نظر زمان مورد نیاز برای آموزش و آزمایش داده نیز بررسی شده است. هر چه زمان مورد نیاز کمتر باشد، قابلیت پیاده سازی برای رباتهای انساننما بیشتر خواهد شد. روش پیشنهادی در پایگاه دادههای معتبر نتایج قابل قبولی داشته و در ادامه با روشهای موجود از نظر نتایج آماری و زمان مورد نیاز، مقایسه شده است.
https://jscit.nit.ac.ir/article_89514_e371396d974b24e580a895aad6f22a93.pdf
2019-09-23
1
9
تشخیص گروههای اجتماعی
ویژگی فاصله
ویژگی تشابه تغییرات حرکت افراد
ویژگی تشابه شکل مسیر طی شده
مکان شلوغ
علی
اکبری
ali.akbari@birjand.ac.ir
1
دانشکده مهندسی برق و کامپیوتر، دانشگاه بیرجند، بیرجند، ایران
AUTHOR
حسن
فرسی
hfarsi@birjand.ac.ir
2
دانشکده مهندسی برق و کامپیوتر، دانشگاه بیرجند، بیرجند، ایران
AUTHOR
سجاد
محمدزاده
s.mohamadzadeh@birjand.ac.ir
3
دانشکده مهندسی برق و کامپیوتر، دانشگاه بیرجند، بیرجند، ایران
LEAD_AUTHOR
ORIGINAL_ARTICLE
الگوریتم جستجوی گرانشی با همسایگی نزدیکترین-بهتر برای حل مسائل بهینهسازی چندمُدی
الگوریتم جستجوی گرانشی، یک روش بهینهسازی ساده و کارامد است که اخیرا برای حل مسائل بهینهسازی تک هدفه ارائه شده است. در این مقاله، برای اولین بار ساختار همسایگی نزدیکترین-بهتر در الگوریتمهای هوش جمعی تعریف شده و سپس در الگوریتم جستجوی گرانشی برای حل مسائل بهینهسازی چندمُدی استفاده شده است. برای این منظور، ابتدا دو ساختار همسایگی "نزدیکترین-بهتر توپولوژیکی" و "نزدیکترین-بهتر مبتنی بر فاصله" تعریف شده، سپس این دو ساختار به طور مجزا در الگوریتم جستجوی گرانشی استفاده شده و دو نسخهی مختلف از الگوریتم جستجوی گرانشی برای حل مسائل بهینهسازی چندمُدی ارائه میشود. برای بررسی کارایی الگوریتمهای پیشنهادی، یک ارزیابی تجربی روی چندین تابع محک چندمُدی استاندارد صورت گرفته است. نتایج این آزمایشات نشان میدهد که الگوریتمهای پیشنهادی میتوانند نتایج خوبی نسبت به سایر الگوریتمهای بهینهساز چندمُدی به دست آورند.
https://jscit.nit.ac.ir/article_91720_90d1716f9f1df03701d3270d3fc9cf15.pdf
2019-09-23
10
19
الگوریتم جستجوی گرانشی
هوش جمعی
همسایگی نزدیکترین-بهتر
بهینهسازی چندمُدی
محمدباقر
دولتشاهی
mb.dowlatshahi@yahoo.com
1
استادیار، دانشکده فنی و مهندسی، گروه مهندسی کامپیوتر، دانشگاه لرستان، خرم آباد، ایران.
AUTHOR
ولی
درهمی
vderhami@yazd.ac.ir
2
دانشیار گروه کامپیوتر دانشگاه یزد
LEAD_AUTHOR
حسین
نظام آبادی پور
nezam@uk.ac.ir
3
استاد، دانشکده فنی و مهندسی، گروه مهندسی برق، دانشگاه شهید باهنر کرمان، کرمان، ایران.
AUTHOR
ORIGINAL_ARTICLE
بهینهسازی پوشش در شبکههای حسگر بیسیم با الگوریتم جستجوی گرانشی
شبکههای حسگر شامل گرههای کم وزن با قابلیت پردازش و انرژی محدود هستند. این حسگرها محیط اطراف خود را نظارت کرده و رخدادها را از نزدیکترین مسیر به گره چاهک ارسال میکنند. یکی از چالش های مهم در این شبکهها، مسئله اتصال گرهها به یکدیگر و پوشش همزمان و کارای منطقه است. این دو بعنوان پارامترهای اصلی کیفیت سرویسدهی میباشند. در این مقاله پوشش بهینه منطقه، با استفاده از الگوریتم فرا ابتکاری جستجوی گرانشی انجام میشود. در الگوریتم پیشنهادی، عامل ها یا اجسام معادل گرههای حسگر در نظر گرفته میشوند. گرهها بر اساس فاصله، قانون جاذبه نیوتن و قوانین حرکت روی هم اثر میگذارند. مجموعه ای از گره ها بعنوان خوشه در نظر گرفته می شوند الگوریتم پیشنهادی از لحاظ طول عمر شبکه، انرژی باقیمانده و توان شبکه با روشهای قبلی مقایسه شده است. نتایج حاصل از شبیه سازی نشان میدهد که روش پیشنهادی با بهینه کردن تعداد گرهها در منطقه و پوشش حداکثری، مصرف انرژی را کاهش و طول عمر و توان شبکه را افزایش میدهد
https://jscit.nit.ac.ir/article_92723_c739e8d1ff110489869630687ba054a1.pdf
2019-09-23
20
31
الگوریتم جستجوی گرانشی
پوشش انرژی
شبکههای حسگر
عباسعلی
رضائی
a_rezaee@pnu.ac.ir
1
گروه کامپیوتر و فناوری اطلاعات، دانشگاه پیام نور، تهران، ایران
LEAD_AUTHOR
محمد هادی
زاهدی
zahedi@kntu.ac.ir
2
گروه مهندسی کامپیوتر، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران
AUTHOR
زینب
دهقان
zeinab_dehghan@pnu.ac.ir
3
گروه کامپیوتر و فناوری اطلاعات، دانشگاه پیام نور، تهران، ایران
AUTHOR
ORIGINAL_ARTICLE
آنالیز تجربی تنش و کرنش به روش فتوالاستیسیته و فتوگرامتری
اندازهگیری و آنالیز تجربی تنش و کرنش در قطعات تحت بار و سازهها اهمیت بسیاری در حوزههای مختلف علوم مهندسی مانند مکانیک و عمران دارد. فتوالاستیسیته به عنوان روشی مرسوم برای اندازهگیری تنش و کرنش دارای محدودیتهایی است. این محدودیتها شامل نیاز به استفاده از جسم از جنس خاص، تجهیزات تخصصی و تجربه کافی است. در این تحقیق، فتوگرامتری به عنوان روشی دقیق، آسان و مستقل از جنس قطعه برای اندازه-گیری تنش و کرنش معرفی شدهاست. برای مقایسه دقت فتوگرامتری و فتوالاستیسیته، قطعهای از جنس اپوکسی آرالدیت با شکل قلاب جرثقیل تحت بارگذاریهای مختلف قرار داده شده و در هر مرحله، علاوه بر ثبت اطلاعات مورد نیاز روش فتوالاستیسیته، عکسبرداری از قطعه با دوربین رقومی با حفظ وضعیت و مکان دوربین انجام شد. با استفاده از تکینیکهای پردازش تصاویر رقومی و بهکارگیری روش تناظریابی کمترین مربعات، مختصات نقاط متناظر روی قطعه با دقت 0.01 پیکسل اندازهگیری شده و تغییر طولهای ناشی از کرنشهای اصلی در نقطه دلخواه از قطعه محاسبه شدند. نتایج حاصل از فتوگرامتری با مقادیر حاصل از کرنش به دست آمده به روش فتوالاستیسیته و آنالیز تحلیلی کرنش در نقطه مورد نظر مقایسه شدند. مقایسه نتایج حاصل از روشهای مختلف بیانگر دقت بالای روش پیشنهادی برای اندازهگیری کرنش است. از اینرو، روش فتوگرامتری میتواند جایگزین روش-های مرسوم اندازهگیری کرنش و تنش حاصل از بارگذاری شود.
https://jscit.nit.ac.ir/article_92728_490162addfb10b85780a3a201974037f.pdf
2019-09-23
32
39
فتوالاستیسیته
فتوگرامتری
پردازش تصویر رقومی
کرنش
تنش
عبادت
قنبری پرمهر
egparmehr@gmail.com
1
گروه مهندسی نقشهبرداری، دانشکده مهندسی عمران، دانشگاه صنعتی نوشیروانی بابل، بابل، ایران
LEAD_AUTHOR
ORIGINAL_ARTICLE
تشخیص و مکانیابی رویدادهای رایج و نادر در ویدیو با بکارگیری شبکه تخاصمی مولد
شناسایی رویدادهای رایج و نادر در ویدیو یکی از مسائل مهم در حوزه تحلیل تصویر و ویدیو است. با توجه به عدم شناخت و در دسترس نبودن رویدادهای نادر، تشخیص آنها یک چالش محسوب میشود. امروزه، شبکههای ژرف یکی از بهترین ابزارها برای مدلسازی ویدیو هستند اما در این مساله با توجه به عدم وجود دادههای برچسبدار از کلاس رویدادهای نادر، آموزش یک شبکه کانولوشنال ژرف به صورت معمول امکان پذیر نیست. با توجه به موفقیت شبکه های عصبی ژرف تخاصمی مولد، در این پژوهش یک شبکه ژرف یکپارچه (انتها به انتها) با الهام از شبکه های ژرف تخاصمی مولد برای تشخیص رویدادهای نادر ارائه شده است. این شبکه فقط با رویدادهای رایج و به صورت تخاصمی آموزش داده شده است. برای نمایش میزان عملکرد معماری پیشنهادی، از مجموعه دادگان استاندارد UCSDped1 و UCSDped2 بهکارگیری شده است. معماری پیشنهادی روی مجموعه دادگان مذکور دارای نرخخطایبرابر به ترتیب 20% و 17% با سرعت پردازش 300 فریم بر ثانیه بوده است. این نتیجه علاوه بر ساختار یکپارچه شبکه و سادگی مرحله آموزش و آزمون آن، قابل مقایسه با نتایج روشهای پیشرفته است.
https://jscit.nit.ac.ir/article_93041_98448d599e92c5238380a9006d717889.pdf
2019-09-23
40
51
تشخیص رویداد نادر
رویداد نادر
رویداد رایج
شبکه تخاصمی مولد
یادگیری ژرف
مکانیابی
محمد
خالوئی
khalooei@chmail.ir
1
گروه علمی مهندسی کامپیوتر (هوش مصنوعی)، پژوهشکده کامپیوتر و هوش مصنوعی، مجتمع برق و کامپیوتر، دانشگاه صنعتی مالک اشتر، تهران، ایران
AUTHOR
محمد
فخردانش
fakhredanesh@mut.ac.ir
2
گروه علمی مهندسی کامپیوتر (هوش مصنوعی)، پژوهشکده کامپیوتر و هوش مصنوعی، مجتمع برق و کامپیوتر، دانشگاه صنعتی مالک اشتر، تهران، ایران
LEAD_AUTHOR
محمد
سبک رو
sabokro@ipm.ir
3
گروه علمی مهندسی کامپیوتر (هوش مصنوعی)، پژوهشکده کامپیوتر و هوش مصنوعی، مجتمع برق و کامپیوتر، دانشگاه صنعتی مالک اشتر، تهران، ایران
AUTHOR
ORIGINAL_ARTICLE
جهش رتبه در PageRank
الگوریتم PageRank یکی از روشهای رتبهبندی مبتنی بر گراف وب است که اولین بار توسط موتور جستجوی گوگل برای مشخص کردن میزان محبوبیت صفحات مورد استفاده قرار گرفته است. این الگوریتم برای پیدا کردن صفحات مهم از ساختار پیوندها در وب استفاده می کند. یکی از مشکلات PageRank و الگوریتمهای مشابه مبتنی بر گراف وب، آن است که رتبهی یک صفحه به صفحات خروجی آن بدون هیچ کنترلی انتشار مییابد درحالیکه ممکن است صفحه خروجی واقعاً توصیه شده توسط صفحه قبلی بطور مستقیم یا غیر مستقیم نباشد. در این مقاله با تغییر فرمول اصلی PageRank روشی ارائه شده است تا با نرمالسازی پیوندهای ورودی به یک صفحه از انتشار بدون کنترل محبوبیت جلوگیری به عمل آید. همچنین به منظور ارزیابی الگوریتم ارائه شده یک گراف وب نمونه ساخته شده است که در بعضی از گره ها دارای جهش رتبه است. این جهش رتبه بعد از اعمال الگوریتم پیشنهادی کاهش مییابد.
https://jscit.nit.ac.ir/article_92694_c5ea3e6ef05bc66cb289759e38b5ca3e.pdf
2019-09-23
52
59
رتبه بندی
PageRank
گراف وب
جواد
پاک سیما
paksima@pnu.ac.ir
1
گروه کامپیوتر و فناوری اطلاعات، دانشگاه پیام نور، ایران
LEAD_AUTHOR
ORIGINAL_ARTICLE
الگوریتمهای یادگیری ماشین برای سریهای زمانی در بازارهای مالی
این پژوهش در رابطه با بررسی سودمندی الگوریتمهای هوشمند مختلف در حوزه یادگیری ماشین برای پیشبینی سریهای زمانی در بازارهای مالی میباشد. چالش مورد توجه در این حوزه، این است که مدیران اقتصادی و جامعه علمی، همچنان خواستار مدلهای پیش-ینی با دقت بیشتری میباشند. رفع چالش یاد شده موجب ارتقای کیفیت پیشبینی و به جهت آن، سودآوری و بهرهوری بالاتری میشود. راه حل پیشنهادی، تکیه بر بکارگیری الگوریتمهای یادگیری ماشینِ مبتنی بر رگرسیون، با تأکید بر روش انتخاب ویژگی پیشرو، جهت یافتن بهترین متغیرهای فنی ورودی دارد. موارد یاد شده، با بکارگیری ابزارهای یادگیری ماشین به زبان پایتون پیادهسازی گردیدند. دادههای تحقیق که در این پژوهش به کار گرفته شدند، اطلاعات مربوط به سهام دو شرکت از بورس تهران میباشند. این دادهها مربوط به سالهای ١٣٨٧ تا ابتدای سال ١٣٩٧ میباشند. نتایج آزمایشی نشان میدهند که ویژگیهای فنی منتخب توسط روش پیشرو، مؤثرترین و نیز بهترین مقادیر برای پارامترهای الگوریتمهای یادگیری مورد نظر را مییابند. نتایج آزمایشی و تحلیلهای رسمی دلالت بر این دارند که بکارگیری ویژگیهای فنی منتخب ،بهعنوان ورودی دو الگوریتم ماشین بردار پشتیبان و ماشین پرسپترون چند لایه، یک پیشبینی با حداقل خطا را در اختیار میگذارد. ؛ این مطلب منجر به ارائه پیشبینی با دقت بالاتری میگردد.
https://jscit.nit.ac.ir/article_91216_816ee5e2ac629379bbc09abd3c631624.pdf
2019-09-23
60
67
پیشبینی
سریهای زمانی
یادگیری ماشین
بازارهای مالی
بازار سهام
مریم
دهقانی
mdehghani26@stu.yazd.ac.ir
1
گروه مهندسی کامپیوتر، دانشگاه یزد، یزد، ایران
AUTHOR
محمد
قاسم زاده
m.ghasemzadeh@yazd.ac.ir
2
گروه مهندسی کامپیوتر، دانشگاه یزد، یزد، ایران.
LEAD_AUTHOR
حبیب
انصاری سامانی
h.samani@yazd.ac.ir
3
دانشکده اقتصاد، مدیریت و حسابداری، گروه اقتصاد، دانشگاه یزد، یزد، ایران.
AUTHOR